利用铁谱分析技术对磨粒的类型、数量、浓度等进行分析,能够了解设备的磨损状态并诊断故障。基于计算机图像处理技术的磨粒分析过程是图像预处理→磨粒分割→特征提取→分类识别的单向线性流程。针对其磨粒分割困难、人工设计特征方法涉及环节多、繁琐低效、存在误差积累与传递、算法难以整体调优等缺点,本文将卷积神经网络(CNN)技术引入铁谱图像分析,以提高铁谱图像分类和磨粒目标检测的自动化水平。结合不同类型磨粒的图像显著性,以整体判断到细节识别为流程,开展了磨粒图像分类CNN模型和目标检测CNN模型的设计、构建和优化研究,利用CNN模型特征自学习、深度抽象和端到端处理的特点,实现磨粒图像智能分析。设计并构建了磨粒图像分类CNN模型——Wear-Net。首先结合实际获取的磨粒图像,利用颜色变换、图像抖动等图像增广技术,创建磨粒图像分类数据集。其次,将AlexNet和VGG16两种模型在磨粒图像数据集上复现并对比,通过结构和参数优化,构建了Wear-Net磨粒图像分类模型。该模型包含四层卷积层,卷积核个数分别为64、128、256、128,实现了块状磨粒、链状磨粒和复合磨粒等五种磨粒图像的分类。最后对网络卷积层和全连接层分别进行了可视化分析,并将Wear-Net分类结果与基于图像处理的线性流程方法进行了对比,从实验结果可知,Wear-Net模型在测试集上平均准确率达到98.75%,可以用于实际磨粒图像的分类。设计并构建了磨粒目标检测CNN模型——Wear-SSD。首先制作用于目标检测的磨粒图像数据集。然后以SSD模型为基础,从输入图像尺寸调整、先验框设计、迁移学习训练方法等方面对其进行结构设计和参数优化,构建了Wear-SSD模型,实现了块状、球形和切削磨粒三种异常磨粒的识别。该模型结合基于区域建议和基于边框回归两类目标检测CNN模型的优点,能够检测出尺寸较小和复杂背景下的磨粒,在测试集上准确率和召回率都在85%以上。此外,该模型也可以估计异常磨粒浓度值,扩展了模型功能。实验结果表明,在Caffe平台上构建训练得到的磨粒图像分类模型Wear-Net和目标检测模型Wear-SSD,具有流程简洁、端到端处理的特点,有较高的磨粒图像分类、目标检测准确率以及泛化能力,对于智能化铁谱分析的实际应用具有一定的参考价值。